本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

DeepAR 推理格式

以下页面描述了使用 Amazon Deep SageMaker ar 模型进行推理的请求和响应格式。

Deepar 请求格式 JSON

使用模型的终端节点查询经过训练的模型。终端节点采用以下JSON请求格式。

在请求中，instances 字段对应于应由模型预测的时间序列。

如果模型通过类别进行训练，则您必须为每个实例提供 cat。如果模型训练时未使用 cat 字段，则可以省略。

如果模型使用自定义特征时间序列 (dynamic_feat) 进行训练，则您必须为每个实例提供相同数量的 dynamic_feat。每个值都应具有 length(target) + prediction_length 给出的长度，最后一个 prediction_length 值与将要预测的未来时间点相对应。如果模型在没有自定义特征时间序列的情况下训练，则该字段不应包括在请求中。

{
    "instances": [
        {
            "start": "2009-11-01 00:00:00",
            "target": [4.0, 10.0, "NaN", 100.0, 113.0],
            "cat": [0, 1],
            "dynamic_feat": [[1.0, 1.1, 2.1, 0.5, 3.1, 4.1, 1.2, 5.0, ...]]
        },
        {
            "start": "2012-01-30",
            "target": [1.0],
            "cat": [2, 1],
            "dynamic_feat": [[2.0, 3.1, 4.5, 1.5, 1.8, 3.2, 0.1, 3.0, ...]]
        },
        {
            "start": "1999-01-30",
            "target": [2.0, 1.0],
            "cat": [1, 3],
            "dynamic_feat": [[1.0, 0.1, -2.5, 0.3, 2.0, -1.2, -0.1, -3.0, ...]]
        }
    ],
    "configuration": {
         "num_samples": 50,
         "output_types": ["mean", "quantiles", "samples"],
         "quantiles": ["0.5", "0.9"]
    }
}

configuration 字段可选。configuration.num_samples 设置模型为估计均值和分位数生成的样本路径数。configuration.output_types 描述了将在请求中返回的信息。有效值为 "mean"、"quantiles" 和 "samples"。如果您指定 "quantiles"，则返回 configuration.quantiles 中的每个分位数值作为时间序列。如果您指定 "samples"，则模型还将返回用于计算其他输出的原始样本。

Deepar 响应格式 JSON

以下是响应的格式，其中 [...] 是数字数组：

{
    "predictions": [
        {
            "quantiles": {
                "0.9": [...],
                "0.5": [...]
            },
            "samples": [...],
            "mean": [...]
        },
        {
            "quantiles": {
                "0.9": [...],
                "0.5": [...]
            },
            "samples": [...],
            "mean": [...]
        },
        {
            "quantiles": {
                "0.9": [...],
                "0.5": [...]
            },
            "samples": [...],
            "mean": [...]
        }
    ]
}

DeepAR 的响应超时为 60 秒。在单个请求中传递多个时间序列时，将按顺序生成预测。由于每个时间序列的预测通常需要大约 300 至 1000 毫秒甚至更长（具体取决于模型大小），因此在单个请求中传递太多的时间序列可能会导致超时。最好是减少每个请求发送的时间序列数量并发送更多的请求。由于 DeepAR 算法的每个实例使用多个工作线程，您可以通过并行发送多个请求来实现更高的吞吐量。

默认情况下，如果每个工作程序有足够的内存，Deepar 会使用每个工作程序CPU进行推理。CPU如果模型很大，并且没有足够的内存在每个模型上运行模型CPU，则工作人员的数量就会减少。在调用时，可以使用环境变量（例如，通过设置MODEL_SERVER_WORKERS=1）覆盖MODEL_SERVER_WORKERS用于推理的工作程序数量。 SageMaker CreateModelAPI

批量转换与 DeepAR 算法

Deepar 预测支持使用线条格式从数据中使用批量变换来获取推论。JSON在这种格式中，每条记录都以JSON对象的形式在一行中表示，各行由换行符分隔。该格式与用于模型训练的 Lin JSON es 格式相同。有关信息，请参阅DeepAR 算法的输入/输出接口。例如：

{"start": "2009-11-01 00:00:00", "target": [4.3, "NaN", 5.1, ...], "cat": [0, 1], "dynamic_feat": [[1.1, 1.2, 0.5, ..]]}
{"start": "2012-01-30 00:00:00", "target": [1.0, -5.0, ...], "cat": [2, 3], "dynamic_feat": [[1.1, 2.05, ...]]}
{"start": "1999-01-30 00:00:00", "target": [2.0, 1.0], "cat": [1, 4], "dynamic_feat": [[1.3, 0.4]]}

与托管终端节点推理请求格式类似，如果满足以下两个条件，则每个实例的 cat 和 dynamic_feat 字段都是必填的：

与托管终端节点推理不同，使用名为 DEEPAR_INFERENCE_CONFIG 的环境变量为整个批量推理作业设置一次配置字段。的值DEEPAR_INFERENCE_CONFIG可以在通过调用创建模型时传递CreateTransformJobAPI。如果容器环境中缺少 DEEPAR_INFERENCE_CONFIG，则推理容器使用以下默认值：

{
    "num_samples": 100,
    "output_types": ["mean", "quantiles"],
    "quantiles": ["0.1", "0.2", "0.3", "0.4", "0.5", "0.6", "0.7", "0.8", "0.9"]
}

输出也采用 Lin JSON es 格式，每个预测只有一行，顺序与相应输入文件中的实例顺序相同。对预测进行编码所用的格式，需要与在线推理模式中响应返回的对象格式相同。例如：

{ "quantiles": { "0.1": [...], "0.2": [...] }, "samples": [...], "mean": [...] }

请注意，在 SageMaker CreateTransformJob请求的TransformInput配置中，客户端必须将该AssembleWith值显式设置为Line，因为默认值None会将所有JSON对象连接在同一行上。

例如，以下是对带有自定义的 Deepar 任务的 SageMaker CreateTransformJob请求：DEEPAR_INFERENCE_CONFIG

{
   "BatchStrategy": "SingleRecord",
   "Environment": { 
      "DEEPAR_INFERENCE_CONFIG" : "{ \"num_samples\": 200, \"output_types\": [\"mean\"] }",
      ...
   },
   "TransformInput": {
      "SplitType": "Line",
      ...
   },
   "TransformOutput": { 
      "AssembleWith": "Line",
      ...
   },
   ...
}